一种用于源位置定位的可逆图扩散神经网络_ivgd

原文地址：https://doi.org/10.1145/3485447.3512155

1.摘要：

    《用于源位置定位的可逆图扩散神经网络》是一篇关于在现实世界中定位图扩散现象源头的重要而极具挑战性的任务。现有的源位置定位模型通常严重依赖手工设计的规则，并且只针对特定领域的应用进行定制。然而，对于许多应用程序的大部分图扩散过程仍然未知，因此自动学习这些潜在规则的表达模型非常重要。

       最近，有大量研究致力于表达能力强大的模型，如图神经网络(GNN)，用于自动学习底层图扩散。然而，源位置定位实际上是图扩散的逆过程，这是一种典型的图中逆问题，被广泛认为是不适定问题，因为可能存在多个解决方案，因此与传统的（半）监督学习环境不同。本文旨在建立一种逆图扩散模型的通用框架，用于图上的源位置定位，即可逆有效性感知图扩散(IVGD)，以解决以下主要挑战：
       1) 在端到端的方式下利用图扩散模型中的知识来建模其逆过程的困难；
       2) 确保推断出的源的有效性的困难；
       3) 源推断的效率和可扩展性。

       具体而言，首先，为了逆向推断图扩散的源，我们提出了一种图像残差方案，以在理论上确保现有的图扩散模型可逆；其次，我们开发了一种新的误差补偿机制，可以学习抵消被推断源的误差；最后，为了确保推断出的源的有效性，我们设计了一套新的有效性感知层，通过使用展开的优化技术灵活地对约束进行编码，将推断出的源投影到可行域。我们提出了一种线性化技术，以增强所提出的层的效率。该IVGD的收敛性在理论上得到证明。

       在九个真实数据集上进行了大量实验，结果表明，我们提出的IVGD方法在性能上显著优于最先进的其他方法。

2.介绍

       图是一种普遍存在的数据结构，其中节点通过它们的关系连接在一起。它们已广泛应用于社交网络、生物网络和信息网络等各个领域。作为图挖掘中的一个基本任务，图扩散旨在根据源节点预测未来的图级联模式。然而，它的逆问题，即图源定位，很少被研究，但却非常重要。它旨在根据未来的图级联模式检测源节点。如图1所示，图扩散的目标是在给定源节点